TIPOS DE DISTRIBUCION DE

PROBABILIDADES CONTINUAS
Y DISCRETAS

IAA

INTEGRANTES :
-REYES PEREZ VALENTIN RAMIRO.
-GUTIERREZ OLIVO PAMELA.
-ORTEGA CASTILLO JESUS.
-DIAZ SUARES FAUSTO
 Distribución de probabilidad continua.
Para una variable continua hay infinitos
valores posibles de la variable y entre cada
dos de ellos se pueden definir infinitos
valores más. En estas condiciones no es
posible deducir la probabilidad de un valor
puntual de la variable; como se puede
hacer en el caso de variables discretas,
pero es posible calcular la probabilidad
acumulada hasta un cierto valor (función
de distribución de probabilidad), y se puede
analizar como cambia la probabilidad
acumulada en cada punto (estos cambios
no son probabilidades sino otro concepto:
la función de densidad.
 Las distribuciones de variable continua más
importantes son las siguientes:

Distribución Beta.
-Distribución exponencial.
-Distribución F.
-Distribución Gamma.
-Distribución ji cuadrado.
-Distribución normal.
-Distribución t de Student.
-Distribución uniforme continua.
 DISTRIBUCION BETA .
En la teoría de probabilidad y estadística, la distribución beta
representa una familia de distribuciones de probabilidad continuas con
soporte en el intervalo (0,1). La densidad beta es caracterizada por dos
parámetros positivos, indicados generalmente por α y β o u y v, que
son parámetros de localización y de escala
 DISTRIBUCION EXPONENCIAL
la distribución exponencial tiene una gran utilidad
práctica ya que podemos considerarla como un modelo
adecuado para la distribución de probabilidad del tiempo
de espera entre dos hechos que sigan un proceso de
Poisson. De hecho la distribución exponencial puede
derivarse de un proceso experimental de Poisson con las
mismas características que las que enunciábamos al
estudiar la distribución de Poisson, pero tomando como
variable aleatoria , en este caso, el tiempo que tarda en
producirse un hecho
Obviamente, entonces , la variable aleatoria será
continua. Por otro lado existe una relación entre el
parámetro  a  de la distribución exponencial , que más
tarde aparecerá , y el parámetro de intensidad del
proceso l , esta relación es a = l
 DISTRIBUCION F.
La distribución F sirve para demostrar las variaciones de una población. Más
específicamente, se usa una distribución F cuando se busca estudiar la razón
de las varianzas de dos poblaciones distribuidas normalmente. Asimismo, este
tipo de distribución también se utiliza en un análisis de varianza de un factor
(ANOVA). El análisis de varianza se encarga de comparar la variación entre
varios grupos o poblaciones y la variación que hay dentro de cada una de ellas.
Para lograrlo, se usa una proporción de variaciones. La distribución F permite
analizar la relación entre las varianzas.
DISTRIBUCION GAMMA.
En teoría de probabilidad y Estadística, la
distribución gamma es una distribución con dos
parámetros que pertenece a las distribuciones
de probabilidad continuas. La distribución
exponencial, distribución de Erlang y la
distribución χ² son casos particulares de la
distribución gamma. Hay dos diferentes
parametrizaciones que suelen usarse

Con parámetro de forma K y parámetro de

escala 𝜃.
Con parámetro de forma a = k y parámetro
inverso de escala ⋌1/ 𝜃.
 DISTRIBUCION ji CUADRADO
Se utiliza para pruebas
estadísticas en las que la
estadística de la prueba sigue
una distribución ji cuadrado.
Dos pruebas comunes que se
basan en la distribución ji
cuadrado son la prueba de
bondad de ajuste de ji cuadrado
y la prueba de independencia
de ji cuadrado.
 DISTRIBUCION NORMAL
La distribución normal es un modelo teórico capaz de
aproximar satisfactoriamente el valor de una variable
aleatoria a una situación ideal.
En otras palabras, la distribución normal adapta una
variable aleatoria a una función que depende de la
media y la desviación típica. Es decir, la función y la
variable aleatoria tendrán la misma representación
pero con ligeras diferencias.
Una variable aleatoria continua puede tomar cualquier
número real. Por ejemplo, las rentabilidades de las
acciones, los resultados de un examen, el coeficiente
de inteligencia IQ y los errores estándar son variables
aleatorias continuas.
Una variable aleatoria discreta toma valores naturales.
Por ejemplo, el número de estudiantes en una
universidad.
 DISTRIBUCION T DE STUDENT.
La distribución t de Student o distribución t es un modelo teórico utilizado para
aproximar el momento de primer orden de una población normalmente
distribuida cuando el tamaño de la muestra es pequeño y se desconoce la
desviación típica.
En otras palabras, la distribución t es una distribución de probabilidad que estima
el valor de la media de una muestra pequeña extraída de una población que sigue
una distribución normal y de la cual no conocemos su desviación típica.
 DISTRIBUCION UNIFORME CONTINUA.
Una variable aleatoria tiene una distribución uniforme continua si la
probabilidad de que tome un valor, dentro de un intervalo finito [a,b], es la
misma para cualquier sub-intervalo de igual longitud.

Esta distribución es análoga a la distribución uniforme discreta, que

asignaba a cada resultado del experimento aleatorio la misma probabilidad,
pero en este caso la variable a considerar es continua. Por ejemplo, el
experimento que consiste en seleccionar un número real al azar, entre los
valores a y b, sigue la distribución uniforme.
DISTRIBUCION DE PROBABILIDADES DISCRETAS

Una distribución discreta describe la probabilidad de ocurrencia de

cada valor de una variable aleatoria discreta. Una variable aleatoria
discreta es una variable aleatoria que tiene valores contables, tales
como una lista de enteros no negativos.
Con una distribución de probabilidad discreta, cada valor posible de
la variable aleatoria discreta puede estar asociado con una
probabilidad distinta de cero. Por lo tanto, una distribución de
probabilidad discreta suele representarse en forma tabular.
TIPOS DE DISTRIBUCION DE PROBABILIDADES
DISCRETAS

Uniforme discreta

Bernoulli

Binomial

Poisson

Geométrica

Binomial Negativa

 Uniforme discreta

Es una variable aleatoria, X, que tome la misma probabilidad

para N valores igualmente espaciados entre dos valores, a y b
(a<b). Su función de probabilidad vale para j=1,...N , siendo h el
espacio entre dos valores consecutivos, h=b-a/N-1

Haciendo el cambio se obtiene la forma estándar,

que toma los valores 1,2,...,N con la misma probabilidad.
Ejemplo: El clásico del lanzamiento de un dado de seis
caras equiprobable, esto es, cada lado tiene la misma
probabilidad de salir que cualquier otro.
 Bernoulli:
Es cuando uando el interés reside no en saber cuál es el resultado
de un experimento concreto sino si éste ha ocurrido o no
En un experimento de Bernoulli se denomina éxito al suceso en
estudio, A, y fracaso a su contrario, . A este suceso le asociamos
la variable aleatoria, X, definida como el número de éxitos al realizar
el experimento. Es decir Llamamos p=p(A), a la probabilidad de
éxito y q=1-p=p( ) a la probabilidad de fracaso.
Se denota como y su función de probabilidad es:
Ejemplo: Sea el experimento de Bernoulli consistente en lanzar un
tiro libre a una canasta de baloncesto por parte de un jugador. El
éxito es encestar y el fracaso no encestar. Del historial deportivo
del jugador se sabe que encesta el 80% de las veces, entonces,
asociamos al experimento la variable de Bernoulli, número de
aciertos al realizar un tiro libre, cuya distribución es
 Distribución Binomial
simbólicamente se representa por B(n,p), y se define como el número de
éxitos en n tiradas de Bernoulli independientes, siendo p la probabilidad
de éxito en cada tirada.
Para n=1 la distribución se denomina de Bernoulli, abreviadamente b(p).
La binomial es una suma de variables independientes de Bernoulli.

Su función de probabilidad, para

La moda es: Donde [m] expresa la parte entera de m.

El coeficiente de asimetría es y el de
curtosis
 Distribución de Poisson

se describe como P(l), aparece como aproximación a la distribución binomial,

B(n,p), cuando n es grande y p pequeño, siendo E(X)=l=Var(X).

Su función de probabilidad es

Admite una única moda cuando l no es entero (la moda es la parte entera de l,
[l]) y dos cuando es entero (l-1y l).
Su coeficiente de asimetría vale y el de curtosis
Ejemplo :El jugador de baloncesto tiene una media de 1 enceste por
temporada desde una distancia de 10 metros. Admitiendo que el número
de enceste desde esa distancia sigue una distribución de Poisson, ¿cuál
es la probabilidad de que consiga dos encestes?, y ¿la probabilidad de
más de 3 encestes?

En este caso X, número de canastas desde una distancia de 10 metros,

sigue una P(1) (ya que 1=E(X)), entonces se pide

La segunda probabilidad es p[X>3], que resulta

 Distribución geométrica
simbólicamente descrita como
G(p), describe las probabilidades
de obtener k fracasos antes del
primer éxito, al realizar sucesivas
tiradas de Bernoulli
independientes, con
probabilidad p de éxito.

Su función de probabilidad es
Ejemplo:Para el jugador de baloncesto al lanzar tiros libres, ¿cuál es el
número medio de fallos antes del primer acierto?

La variable de estudio es ahora, X, número de tiros libres fallados

antes del primer enceste. Es decir, se trata de una geométrica de
parámetro 0.8, G(0.8), con lo cual el número medio de fallos antes del
primer acierto es la esperanza de la misma, es decir,
 Distribución binomial negativa:
simbólicamente descrita como BN(r,p), describe las probabilidades de
obtener k fracasos antes del r-ésimo éxito, al realizar sucesivas tiradas de
Bernoulli independientes, con probabilidad p de éxito.

Su función de probabilidad es
Ejemplo 6: Para el jugador de baloncesto, ¿cuál es la probabilidad de que falle
5 tiros libres antes de conseguir 7 puntos?

En este caso la variable X es número de canastas falladas antes del 7º

acierto, es decir, se trata de una BN(7,0.8), con lo cual, la probabilidad pedida
es:
Referencias bibliograficas

https://www.sergas.es/Saude-
publica/Documents/1899/Ayuda_Epidat_4_Distribuciones_de_probabili
dad_Octubre2014.pdf
http://www5.uva.es/esstadmed/probvar/d_univar/d_univar8.htmalguien
@ejemplo.com
GRACIAS POR SU ATENCIÓN